專利名稱：基于經驗模態分解和分形的表面肌電信號模式識別方法
基于經驗模態分解和分形的表面肌電信號模式識別方法技術領域
本發明屬于模式識別領域，涉及一種肌電信號模式識別方法，特別涉及一種基于肌電信號的手部多運動模式識別方法。
背景技術：
肌電信號(EIectromyography, EMG)是一種伴隨肌肉活動的生物電信號，是眾多肌纖維中運動單元動作電位的疊加，蘊涵了肌肉活動的各種信息。而表面肌電信號(Surface electromyography , sEMG)則是淺層肌肉EMG和神經干上電活動在皮膚表面的綜合效應。 表面肌電信號在生理基礎上具有高度非線性特征，是一個非線性的動力學系統。因而，對表面肌電信號的研究采用非線性分析方法，如混沌、分形理論是一個值得重視的方向。
目前，已有一些科研機構的學者以混沌、分形理論作為數學工具，對肌電信號進行各種目的的研究。國外，克羅地亞薩格勒布大學的Cifrek，Mario用表面肌電信號的分維數對肌肉疲勞程度進行參數估計。澳大利亞墨爾本大學的Naik,. Ganesh R、泰國宋卡大學的phinyomark Angkoon等用分形的方法研究了上臂弱肌電信號的多模式分類問題，并把研究成果應用到人機接口技術中。國內，清華大學的王人成，上海交通大學的王立中等、浙江大學的劉加海，王健等在混沌、分形理論應用于肌電信號信息處理方面做了較多的工作。 然而，綜合這些學者的研究成果發現，現有的對肌電信號的研究，大都采用單分形理論，對所研究的肌電信號僅做整體的奇異性評價，如在模式識別時，提取整體信號的Lyapunov指數、分形維等，而沒有研究信號的局部奇異性特征。發明內容
表面肌電信號具有非線性非平穩特性，為了有效地提取表面肌電信號的特征和提高手部多運動模式識別率，本發明提出了一種經驗模態分解(Empirical Mode Decomposition, EMD)與多重分形分析相結合的特征提取方法。首先從相關肌肉組上采集相應的表面肌電信號，然后用經驗模態分解的方法提取肌電信號的多層內在模態函數 (intrinsic mode function, IMF),利用多重分形分析的方法提取各層內在模態函數上的廣義維數譜，從而實現了對表面肌電信號在不同層次上的奇異性測度，提高了對信號幾何特征和局部尺度行為刻畫的精細程度。最后，以各層模態函數上的廣義維數譜作為模式識別的特征向量，以支持向量機為分類器實現多運動模式的分類與識別。
為了實現以上目的，本發明方法主要包括以下步驟步驟(I).獲取人體上肢肌電信號樣本數據，具體是首先通過肌電信號采集儀拾取人體上肢肌電信號，再采用空域相關濾波方法對含有干擾噪聲的肌電信號進行消噪。
所述的空域相關濾波方法，具體如下用空域相關濾波對采集的SEMG信號進行消噪預處理，由于空域相關濾波中涉及噪聲能量閾值的設定，且噪聲能量閾值的設定沒有通用的算法，因此給出一種針對SEMG信號的噪聲能量閾值設定算法。算法的具體實現如下由于手部未動作時采集的SEMG信號對應為信號的噪聲，若對該含有噪聲的 SEMG信號進行多尺度小波分解，各尺度的高頻系數的首尾部分對應手部無動作時的SEMG信號，因此可以用手部無動作時的SEMG信號的高頻系數來估計各層的噪聲能量門限。以伸腕動作SEMG信號為例，取伸腕動作SEMG信號小波變換高頻系數的前個與，取到的這些點對應于手部未動作時SEMG信號的高頻系數，用這些點的方差來估計 SEMC信號的噪聲能量閾值，此時濾波算法中用下式控制迭代過程r^ FarQFft(J^k)) > VariWfO,^)) k= 1,2,---,N ■ ^=1,2,···,η(I)其中r €(CU]為比例系數，是根據經驗和實驗確定的；Var(Wf(JM為迭代后的高頻系數的方差；&轉'a*)為估計的噪聲能量閾值。當上式成立時迭代繼續，否則停止。
空域相關法利用真實信號的小波系數在各尺度上的相關性，使得小尺度上的真實信號的小波系數得以突顯，從而實現了真實信號的小波系數與噪聲小波系數的分離，取得了比較好的濾波效果。
步驟(2).將步驟(I)獲取的肌電信號進行經驗模態分解，得到表示肌電信號細節構成的多層窄帶信號即內在模態函數。
經驗模態分解(EMD)方法是Huang等人于1998年提出的一種時間序列處理方法。 該方法根據信號本身的局部特征將信號分解成一組內在模態函數(IMF)。其實質是將非線性非平穩信號分解成一組單分量近似窄帶信號。每個IMF滿足下面條件I)整個IMF中極點數(包括極大值和極小值)和零點數相等或至多相差I。
2)信號關于時間軸對稱，即信號由局部極大值確定的包絡線和局部極小值確定的包絡線均值為零。
EMD的分解步驟如下I)求信號的局部極大、極小值。通過插值函數獲得信號的上下包絡線。并對上下包絡線求平均，記為W1⑷。
2)設原信號為,用原信號減去叫⑷，記為。
3)判斷~的是不是符合基本模態分量的兩個要求，是則將賦值給C1咎；)，不是則把.MO看作外)，重復前二步先得到W W ,再得到=。判斷MO 是否滿足MF的要求，不滿足則不斷循環直至i次循環后得到的.V (O滿足頂F的要求。記 C1 (t) = hm (I)。q P)可以看成是信號的一個基本模態。
4)記廠! ( ) = s⑷-q ( )。
將Ml)作為信號S⑷，重復I)到4)步求出由此循環可繼而求出第二階頂F、......、第#-1節IMF，第”階剩余信號可表示為{t、S (t) = γ ( ，當& ( )滿足某個控制條件時，篩選結束。原始信號x(t)表示為
權利要求
1.基于經驗模態分解和分形的表面肌電信號模式識別方法，其特征在于該方法包括如下步驟 步驟(I).獲取人體上肢肌電信號樣本數據，具體是首先通過肌電信號采集儀拾取人體上肢肌電信號，再采用空域相關濾波方法對含有干擾噪聲的肌電信號進行消噪； 步驟(2).將步驟(I)獲取的肌電信號進行經驗模態分解，得到代表肌電信號細節構成的多層窄帶信號，即內在模態函數； 步驟(3).對步驟(2)所獲得的內在模態函數進行多重分形分析，提取其廣義維數譜，作為肌電信號多模式識別的特征向量； 步驟(4).以步驟(3)獲取的特征向量輸入對支持向量機進行分類識別，獲得識別結果O
2.根據權利要求I所述的基于經驗模態分解和多重分形的表面肌電信號模式識別方法，其特征在于所述的多重分形分析，提取其廣義維數譜，具體如下設肌電信號時間 序列 為( - ia},嵌入維數,時間延遲為τ,則重構相空間為 式中，Xi為相空間中的第 個相點，相空間中的點數為N= n-{m-l)r ；構造其相空間后，以.呢維相空間集{4}中的一點X1 =( ,; ,…, )作為參考點，計算另外反-I點與它的距離，則可統計出落于以點X1為中心，以小標量r為半徑的體積元中的點的個數，從而得到f階關聯積分CT 幻 其中/0)為Heaviside階躍函數； 計算廣義維數譜4算法步驟如下 1)把一維時間序列信號轉換到相空間，求出相點間的最大伸展距離<·； 2)依據Cfmax的大小確定計算關聯積分時^·增幅，確定需計算的小標量，初始個數丨，&為單調上升I = HJ ;根據公式⑵求得q)，計算數據點對(ln%),MC^(風rA)))，為表達方便，令為；3)根據下式計算數據組的斜率 4)增加i的值，根據公式(3)重新計算是值，若連續多次的值變化極小，則停止計算，以最后幾次所得A值的平均，作為肌電信號的廣義維數譜&。
全文摘要
本發明涉及一種基于經驗模態分解和分形的表面肌電信號模式識別方法。現有的方法大都采用單分形理論，對肌電信號僅做整體的奇異性評價，而沒有研究信號的局部奇異性特征。本發明首先從相關肌肉組上采集相應的表面肌電信號，然后用經驗模態分解的方法提取肌電信號的多層內在模態函數，利用多重分形分析的方法提取各層內在模態函數上的廣義維數譜。最后，以各層模態函數上的廣義維數譜作為模式識別的特征向量，以支持向量機為分類器實現多運動模式的分類與識別。本發明提出利用多重分形分析的方法提取各層內在模態函數上的廣義維數譜作為表面肌電信號的特征，具有較好的魯棒性，能從信噪比相對較低的肌電信號中計算出穩定的特征數據。
文檔編號A61B5/0488GK102930284SQ20121033735
公開日2013年2月13日 申請日期2012年9月13日 優先權日2012年9月13日
發明者張啟忠, 席旭剛, 羅志增, 佘青山, 高云園 申請人:杭州電子科技大學